本文介绍了视频数据流编排中可供选择的输入、处理和输出算子。编排视频数据流的过程中，您可以参考本文了解不同算子的用途及其所包含控制参数的含义。

使用前须知 #

• 视频数据流支持 DeepStream 框架和 DLStreamer 框架。不同框架下可供使用的算子不同。您可以通过算子列表了解算子所适用的框架类型。
• “是否必选”是在本文介绍控制参数时使用的标注，表明在部署数据流过程中，是否必须为这些控制参数设定具体的值。在部署数据流过程中，有以下情形需要进行数据流编排：
  • 编辑数据流模板的版本：该方式下，您可以增删算子、连接算子，以及设置算子的控制参数。
  • 编辑数据流实例：该方式下，您只可以设置算子的部分控制参数。（如果您在版本中已经设置了控制参数的值，取决于具体的设置，您可以在实例中再次编辑该参数值，也可以禁止进一步的修改。）
    更多信息，请参见数据流编排指南。
• 算子使用注意事项：
  • 在一个视频数据流中，自带对象分析能力的输入算子（包括摄像头设备带分析、RTSP拉流带分析、RTMP拉流带分析）与无对象分析能力的输入算子（包括摄像头设备、RTSP拉流、RTMP拉流）以及对象分析处理算子不允许同时存在。
  • 如果在一个视频数据流中有多个自带对象分析能力的输入算子（包括摄像头设备带分析、RTSP拉流带分析、RTMP拉流带分析），那么这些输入算子的图像帧必须采用相同的分辨率，否则会导致数据流无法部署。

算子列表 #

• 输入算子

  算子名称	适用于 DeepStream	适用于 DLStreamer	算子描述
  摄像头设备	✅	✅	以摄像头设备的视频流数据作为输入。
  RTSP拉流	✅	✅	通过 RTSP 协议拉取视频流作为输入。
  RTMP拉流	✅	✅	通过 RTMP 协议拉取视频流作为输入。
  摄像头设备带分析	✅	✅	以摄像头设备的视频流数据作为输入，同时支持对象分析（包含 ROI 检测和越线检测）。
  RTSP拉流带分析	✅	✅	通过 RTSP 协议拉取视频流作为输入，同时支持对象分析（包含 ROI 检测和越线检测）。
  RTMP拉流带分析	✅	✅	通过 RTMP 协议拉取视频流作为输入，同时支持对象分析（包含 ROI 检测和越线检测）。

• 输出算子

  算子名称	适用于 DeepStream	适用于 DLStreamer	算子描述
  虚拟时序设备	✅	✅	输出到虚拟时序设备。
  RTSP推流	✅	❌	通过 RTSP 协议推流。
  虚拟视频设备	✅	❌	输出到虚拟视频设备。
  事件推送	✅	✅	将消息元数据与 base64 编码的图片发送到边缘智能的数据流事件中心。
  Kafka消息队列	✅	✅	将消息元数据推送到 Kafka 服务器。
  Redis消息队列	✅	❌	将消息元数据推送到 Redis 服务器。
  RTMP推流	✅	❌	通过 RTMP 协议发送 FLV 流数据。
  Http推送	✅	❌	将消息元数据作为 Http 请求推送至指定的 URL。
  Ekuiper推送	✅	✅	将消息元数据推送到同一个边缘节点上的 Ekuiper 时序数据流实例。

• 处理算子

  算子名称	适用于 DeepStream	适用于 DLStreamer	算子描述
  h264编码器	✅	❌	对输入的视频数据进行 H.264 编码。
  h264解码器	✅	❌	对输入的视频数据进行 H.264 解码。
  h265编码器	✅	❌	对输入的视频数据进行 H.265 编码。
  h265解码器	✅	❌	对输入的视频数据进行 H.265 解码。
  视频解码器	❌	✅	对输入的视频数据进行解码。
  批量合流	✅	❌	从一个或多个输入源形成一批帧。
  消息转换	✅	✅	将模型服务的处理结果（视频流）转换为 JSON 格式的消息元数据，以便推送到下游的消息接收方。
  推理服务	✅	❌	NVIDIA DeepStream RPC 推理服务插件。
  对象跟踪	✅	✅	使用对象跟踪插件跟踪视频中出现的各种对象。
  结果绘制	✅	✅	使用边界框绘制插件在视频帧上绘制处理结果，例如物体检测边界框、分类标签，以及物体追踪信息等。
  对象分析	✅	✅	使用对象分析插件对检测到的对象进行进一步的空间分析。这个插件包含了两个重要的功能：ROI（Region of Interest）检测和越线（Line Crossing）检测。
  流分支	✅	❌	将一个输入的视频流复制并生成多个与原视频流相同的数据流作为输出。
  图像分类	✅	✅	通过图像分类模型服务，对输入的视频流进行推理，并完成图像分类。
  物体检测	✅	✅	通过物体检测模型服务，对输入的视频流进行推理，并完成目标物体检测。
  LLM大模型分类	✅	✅	通过大模型推理服务，对输入的视频流进行推理，并完成图像分类。

输入算子 #

摄像头设备 #

算子描述
以摄像头设备的视频流数据作为输入。

使用说明
要使用该算子，您必须先在边缘算子上接入摄像头设备。

控制参数

RTSP拉流 #

算子描述
通过 RTSP 协议拉取视频流作为输入。

控制参数

RTMP拉流 #

算子描述
通过 RTMP 协议拉取视频流作为输入。

控制参数

摄像头设备带分析 #

算子描述
以摄像头设备的视频流数据作为输入，同时自带对象分析能力（包含 ROI 检测和越线检测）。

使用说明
要使用该算子，您必须先在边缘节点上接入摄像头设备。

控制参数

RTSP拉流带分析 #

算子描述
通过 RTSP 协议拉取视频流作为输入，同时自带对象分析能力（包含 ROI 检测和越线检测）。

控制参数

RTMP拉流带分析 #

算子描述
通过 RTMP 协议拉取视频流作为输入，同时自带对象分析能力（包含 ROI 检测和越线检测）。

控制参数

输出算子 #

虚拟时序设备 #

算子描述
输出到虚拟时序设备。

使用说明
要使用该算子，您必须先在边缘节点上接入虚拟时序设备。

控制参数

RTSP推流 #

算子描述
通过 RTSP 协议推流到指定 URL。

控制参数

虚拟视频设备 #

算子描述
输出到虚拟视频设备。

使用说明
要使用该算子，您必须先在边缘节点上接入虚拟视频设备。

控制参数

事件推送 #

算子描述
将消息元数据与 base64 编码的图片发送到边缘智能的数据流事件中心。

使用说明
在数据流中，该算子的前置算子应包含 消息转换 算子。

控制参数
无

Kafka消息队列 #

算子描述
将消息元数据推送到 Kafka 服务器。

使用说明
在数据流中，该算子的前置算子应包含 消息转换 算子。

控制参数

Redis消息队列 #

算子描述
将消息元数据推送到 Redis 服务器。

使用说明
在数据流中，该算子的前置算子应包含 消息转换 算子。

控制参数

RTMP推流 #

算子描述
通过 RTMP 协议发送 FLV 流数据。

控制参数

Http推送 #

算子描述
将消息元数据作为 Http 请求推送至指定的 URL。

使用说明
在数据流中，该算子的前置算子应包含 消息转换 算子。

控制参数

Ekuiper推送 #

算子描述
将消息元数据推送到同一个边缘节点上的 Ekuiper 时序数据流实例。

控制参数
无

处理算子 #

h264编码器 #

算子描述
对输入的视频数据进行 H.264 编码。

控制参数
无

h264解码器 #

算子描述
对输入的视频数据进行 H.264 解码。

控制参数
无

h265编码器 #

算子描述
对输入的视频数据进行 H.265 编码。

控制参数
无

h265解码器 #

算子描述
对输入的视频数据进行 H.265 解码。

控制参数
无

视频解码器 #

算子描述
对输入的视频数据进行解码。

控制参数
无

批量合流 #

算子描述
从一个或多个输入源形成一批帧。

控制参数

消息转换 #

算子描述
将模型推理服务的处理结果（视频流）转换为 JSON 格式的消息元数据，以便推送到下游的消息接收方。

• 关于消息元数据的结构说明，请参见数据流事件。
• 经过转换的消息元数据可以推送到以下消息接收方：Kafka 消息队列、Redis 消息队列、Web 服务器、边缘智能 - 时序数据流、边缘智能 - 数据流事件中心。
• 该算子也具有消息过滤的功能，帮助您在提取并上报消息元数据前对数据进行更精细化的控制。例如，您可以基于业务逻辑设置控制参数只上报满足特定条件的信息，比如过滤那些识别结果置信度未达到要求的数据。
  除了基于对象属性过滤消息之外，您还可以设置插件在特定场景（例如对象进入或退出区域，对象跨越预设线条等）才上报消息，增加对业务逻辑的支持。

使用说明
在数据流中，该算子的前置算子应包含推理服务类型算子（包含 推理服务、图像分类、物体检测）及与推理服务相关的分析算子（包含 对象跟踪、对象分析、结果绘制）。

控制参数

示例
conditions 示例：
$.ROI.current.ROI1 < 10 and $.ROI.current.ROI1 > 3
这个条件表示只有在 ROI1 区域内检测到的对象数量大于 3 并小于 10 时才发送或不发送该消息。

推理服务 #

算子描述
NVIDIA DeepStream RPC 推理服务插件。

使用说明
要使用该算子，您必须先在边缘节点上部署模型服务。

控制参数

示例

• config-file-path 示例

  infer_config {
   unique_id: 1
   gpu_ids: [0]
   max_batch_size: 1
   backend {
   triton {
   model_name: "m-2100055467-mmljp"
   version: -1
   grpc {
   url: "10.37.xx.xx:40001"
   }
   }
   }
  
   preprocess {
   network_format: MEDIA_FORMAT_NONE
   tensor_order: TENSOR_ORDER_LINEAR
   tensor_name: "input_1"
   maintain_aspect_ratio: 0
   frame_scaling_hw: FRAME_SCALING_HW_DEFAULT
   frame_scaling_filter: 1
   normalize {
   scale_factor: 0.0039215697906911373
   channel_offsets: [0, 0, 0]
   }
   }
  
   postprocess {
   labelfile_path: "${labelfile_path}"
   detection {
   num_detected_classes: 1
   per_class_params {
   key: 0
   value { pre_threshold: 0.4 }
   }
   nms {
   confidence_threshold:0.2
   topk:20
   iou_threshold:0.5
   }
   }
   }
  
   extra {
   copy_input_to_host_buffers: false
   output_buffer_pool_size: 2
   }
  }
  input_control {
   process_mode: PROCESS_MODE_FULL_FRAME
   operate_on_gie_id: -1
   interval: 0
  }
  

• labelfile-path 示例

  car
  bicycle
  person
  road_sign
  

对象跟踪 #

算子描述
使用对象跟踪插件跟踪视频中出现的各种对象。
对象跟踪插件在检测到对象后能够跟踪该对象在视频帧之间的移动，它通过连续的视频帧输入，输出跟踪后的对象（包括其位置和ID等信息）。

控制参数
该算子在不同框架下的控制参数有区别。

• DeepStream 框架下该算子包含以下控制参数：

  名称	类型	是否必选	说明	示例值
  display-tracking-id	Boolean	否	是否在对象文本中显示跟踪 ID。默认值：true。	true
  enable-batch-process	Boolean	否	是否启用跨多个流的批处理。默认值：true。	true
  enable-past-frame	Boolean	否	是否启用将过去的帧轨迹添加到用户元信息中。默认值：false。	false
  tracking-algorithm	String	是	选择一种 NVDCF 跟踪算法。 跟踪算法表示根据视频帧之间的物体运动进行目标跟踪。NVDCF 是由 NVIDIA 开发的 DeepStream 参考应用中的一种跟踪算法。可选项： NVDCF_perf（默认）：该选项的优先级在于提高算法的性能。在这种情况下，算法会相对较少的注重准确性，而更多的注重处理大量数据的能力，以及保持较快的处理速度。这对于需要处理大量视频流，或者在硬件资源受限的情况下尤其有用。 NVDCF_Max_Perf：该选项是为了获取最大的性能。相对于“NVDCF_perf”，该选项可能更加倾向于牺牲一些准确性以获取最高的处理速度和效率。“NVDCF_Max_Perf”对于真正需要快速处理的需求场景更适用，例如，大规模实时视频监控分析。 NVDCF_Accuracy：该选项的优先级在于提高算法的准确性。在这种情况下，目标跟踪算法会尽量提高跟踪准确性，即使这意味着占用更多的计算资源和时间。这对于准确性非常重要的情况（例如，在一些需要精确跟踪的科学或医学应用中）非常有用。
  tracker-height	Integer	否	跟踪器应当操作的帧高度，以像素为单位。取值范围：0~4294967295，默认值：384。	384
  tracker-width	Integer	否	跟踪器应当操作的帧宽度，以像素为单位。取值范围：0~4294967295，默认值：640。	640

• DLStreamer 框架下该算子包含以下控制参数：

  名称	类型	是否必选	说明	示例值
  tracking-type	String	是	选择一种跟踪算法。可选项： zero-term：为每个物体分配唯一ID，每帧都进行物体检测，无物体持久性，消耗计算资源较多。 short-term-imageless（默认）：允许在跳过物体检测的帧上跟踪物体，优化流程，节省计算资源。 zero-term-imageless：每帧都运行物体检测，但不使用实际的图像数据，适用于某些特殊场景，准确性较低。	short-term-imageless

结果绘制 #

算子描述
使用边界框绘制插件在视频帧上绘制处理结果，例如物体检测边界框、分类标签，以及物体追踪信息等。
结果绘制插件的输入是前面各种处理阶段的输出，包括物体识别、分类、追踪等阶段的输出结果。这些输出结果包含了物体的位置、大小、类别、跟踪ID等信息。结果绘制插件会读取这些信息，并在相应的视频帧上绘制相应的标记，如矩形框、文字标签等。

控制参数
该算子在不同框架下的控制参数有区别。

• DeepStream 框架下该算子包含以下控制参数：

  名称	类型	是否必选	说明	示例值
  display-bbox	Boolean	否	是否显示边界框。默认值：true。	true
  display-clock	Boolean	否	是否显示时钟。默认值：false。	false
  display-mask	Boolean	否	是否显示实例掩码。默认值：false。	false
  display-text	Boolean	否	是否显示文字。默认值：true。	true

• DLStreamer 框架下该算子不包含控制参数。

对象分析 #

算子描述
使用对象分析插件对检测到的对象执行进一步的空间分析。这个插件包含了两个功能：ROI（Region of Interest）检测和越线（Line Crossing）检测。

• ROI 检测
  指感兴趣区域功能，允许您定义一个或多个感兴趣的区域，并只在这些区域中进行对象检测和跟踪。这个功能在某些特定的应用场景中非常有用，比如您只关心画面中的某个特定区域的物体变动，那么通过 ROI 功能，就可以显著减少不必要的计算，提高处理速度。
• 越线检测
  指线段穿越检测功能，可以用于统计和检测物体是否穿过了预设的线段。这个功能在很多领域都有应用，例如交通流量统计（车辆穿过一条虚拟线条），入侵检测（人或物穿过了预设的警戒线）等。

控制参数

操作说明

• 绘制 ROI 区域
  在视频帧或图像中手动绘制一个或多个 ROI。
  • ROI 是一个独特的、独立的，和封闭的区域，在这个区域内的像素将被特别关注或处理。
  • 您可以通过顶点连线的方式，绘制多边形形状的 ROI。ROI 的形状应尽可能简单和清晰，只覆盖到所需的区域。
  • 如果您有多个 ROI，它们不应该重叠。
  1. 单击 绘制ROI区域。
  2. 在 绘制ROI区域 对话框，准备好样例图片。
     样例图片有两种准备方式：
     • 从输入视频流截取当前时刻的截图作为样例图片

       说明

       • 该方式只适用于摄像头设备带分析算子。更多信息，请参见使用 RTSP/RTMP 流作为输入时，如何才能在输入算子上获取截图以进行 ROI 和 LC 绘制？
       • 您必须先为算子选择摄像头设备；然后，在进行 ROI 区域绘制时，系统会自动截取摄像头当前时刻的图片作为样例图片。您可以单击 重新获取截图，重新获取新的截图。
     • 上传本地图片作为样例图片

       注意

       上传的图片必须是 .jpg 格式，并且图片大小不能超过 1MB。

  3. 使用画笔在样例图片上依次点击感兴趣区域的顶点，通过自动连线形成一个封闭区域。
     首个 ROI 绘制成功后，图片上将会自动出现 “ROI1” 标识。您可以继续绘制多个 ROI。
  4. 绘制完成后，单击 确定。
• 绘制绊线
  在视频帧或图像中手动绘制一组或多组绊线。
  • 绊线指的是一种虚拟的线条，可以在视频帧的特定位置放置。它的主要功能是检测并报告任何物体从特定方向通过这条线，例如人、车辆等。
  • 绘制绊线时，需要指定绊线的位置和方向。您需要依次画出 4 个点，前两个点的连线指示了绊线的位置，后两个点的连线指示了绊线的方向。
  1. 单击 绘制绊线。
  2. 在 绘制绊线 对话框，准备好样例图片。
     样例图片有两种准备方式：
     • 从输入视频流截取当前时刻的截图作为样例图片

       说明

       • 该方式只适用于摄像头设备带分析算子。
       • 您必须先为算子选择摄像头设备；然后，在进行绊线绘制时，系统会自动截取摄像头当前时刻的图片作为样例图片。您可以单击 重新获取截图，重新获取新的截图。
     • 上传本地图片

       注意

       上传的图片必须是 .jpg 格式，并且图片大小不能超过 1MB。

  3. 使用画笔在样例图片上依次点击 4 次，通过自动连线绘制出一组绊线。
     首组绊线绘制成功后，图片上将会自动出现 “LC1” 标识。您可以继续绘制多组绊线。
  4. 绘制完成后，单击 确定。

流分支 #

算子描述
将一个输入的视频流复制并生成多个与原视频流相同的数据流作为输出。

使用说明
该算子最多允许连接 4 个算子的输入。

控制参数
无

图像分类 #

算子描述
通过图像分类模型服务，对输入的视频流进行推理，并完成图像分类。

使用说明
要使用该算子，您必须先在边缘节点上部署 图像分类 类型的模型服务。

控制参数

物体检测 #

算子描述
通过物体检测模型服务，对输入的视频流进行推理，并完成目标物体检测。

使用说明
要使用该算子，您必须先在边缘节点上部署 物体检测 类型的模型服务。

控制参数
该算子在不同框架下的控制参数有区别。

• DeepStream 框架下该算子包含以下控制参数：

  名称	类型	是否必选	说明	示例值
  model-service	String	是	从运行中的模型服务中选择一个物体检测类型的模型服务。	image_classification
  input-process-mode	String	是	在处理视频流中的对象时使用的输入处理方式。可选项： Full_Frame： 在这种模式下，会对整个视频帧进行处理，而不仅仅是帧中的特定对象。这种模式可能会使用更多的计算资源，因为它需要处理整个帧的所有像素。但在一些情况下，也可能会提高对象检测和跟踪的准确性，特别是在需要整体上下文信息的场景中。 Clip_Object：这种模式主要是将帧中检测到的目标对象截取出来，然后只对这些截取的对象进行后续处理。例如，如果整个帧中只有一小部分是移动的对象（比如一个人或车辆），那么可以只对这一部分进行处理，从而节省计算资源。然而，这种模式可能在处理需要大量上下文信息的复杂场景时损失一些准确性。 在选择使用哪种模式时，您可以根据具体需求来决定。如果您的数据流中有多个模型服务算子，您可以在首个算子中采用 Full_Frame 模式（例如，检测行人或车辆等），而在后续算子中采用 Clip_Object 模式（例如，识别检测到的行人或车辆有何具体特征等）。	Full_Frame
  interval	Integer	否	指定连续跳过进行推理的批次数量。取值范围：0~2147483647，默认值：10。	10

• DLStreamer 框架下该算子包含以下控制参数：

  名称	类型	是否必选	说明	示例值
  model-service	String	是	从运行中的模型服务中选择一个物体检测类型的模型服务。	image_classification
  inference-region	String	是	指定进行推理的区域。可选项： full-frame： 在这种模式下，会对整个视频帧进行处理，而不仅仅是帧中的特定对象。 roi-list：这种模式主要是将帧中检测到的目标对象截取出来，然后只对这些截取的对象进行后续处理。	full-frame
  inference-interval	Integer	否	指定连续跳过进行推理的批次数量。取值范围：0~2147483647，默认值：5。	5

LLM大模型分类 #

算子描述
通过大模型推理服务，对输入的视频流进行推理，并完成图像分类。

使用说明
要使用该算子，您必须先在边缘节点上部署 大模型 类型的模型服务。

控制参数